量子科技中心_量科网

理解微观系统中热力学时间箭头的涌现具有根本重要性，尤其考虑到幺正演化保持着时间反演对称性。虽然投影测量会引入时间不可逆性，但在存在随机波动的情况下从单一演化轨迹中识别这种不对称性仍面临巨大挑战。本研究利用机器学习技术，对基于金刚石氮空位中心的十量子比特可编程量子处理器生成的个体轨迹进行时间箭头识别。研究人员实现了两种量子电路：一种呈现热量从高温子系统流向低温子系统的幺正演化，另一种为其时间反演版本。在这些过程中插入的投影测量会引起熵增，其测量结果构成了演化轨迹。实验表明：（1）无监督聚类算法能在无先验知识条件下自主将实验轨迹划分为两个明显类别；（2）卷积神经网络能以约92%的准确率识别这些轨迹的时间方向；（3）基于扩散的生成模型可复现定向能量流动和熵增的关键特征。该工作确立了机器学习作为从复杂实验数据中揭示基础物理过程的强大工具，推动了量子热力学与人工智能的交叉研究进展。